侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

Python爬豆瓣电影实例

Python  /  管理员 发布于 7年前   350

文件结构

html_downloader.py - 下载网页html内容

#!/usr/bin/python# -*- coding: UTF-8 -*-import urllib2class HtmlDownloader(object):  def downlod(self, url):    if url is None:      return None    response = urllib2.urlopen(url)    if response.getcode() != 200:      return None    return response.read()

html_outputer.py - 输出结果到文件中

#!/usr/bin/python# -*- coding: UTF-8 -*-class HtmlOutputer(object):  def collect_data(self, movie_data):    if movie_data is None:      return    fout = open('output.html', 'a+')    for data in movie_data:      print data['name'] + '|', data['rate'] + '|', data['actor'], '\n'      fout.write('%s,' % data['name'].encode('utf-8'))      fout.write('%s,' % data['rate'])      fout.write('%s\n' % data['actor'].encode('utf-8'))    fout.close()

html_parser.py: 解析器:解析html的dom树

#!/usr/bin/python# -*- coding: UTF-8 -*-from bs4 import BeautifulSoupclass HtmlParser(object):  def __init__(self):    pass  def parser_html(self, cnt):    if cnt is None:      return    soup = BeautifulSoup(cnt, 'html.parser', from_encoding='utf-8')    # movie_name, movie_desc, movie_rate =    return self.get_movie_names(soup)  def get_movie_names(self, soup):    movie_data = []    movie_all = soup.find('div', class_='article').find_next('table').find_next_sibling('div').find_next_sibling('div').find_all('table')    count = 1    for movie_one in movie_all:      movie_data.append(self.get_movie_name(movie_one))      # if count > 2:      #   break      count += 1    return movie_data  def get_movie_name(self, cnt):    info = {}    soup = BeautifulSoup(str(cnt), 'html.parser', from_encoding='utf-8')    movie_one = soup.find('tr', class_='item').find_next('td').find_next_sibling('td').find('div', class_='pl2')    info['name'] = movie_one.find('a').get_text().replace("\n", "").replace(" ", "")    info['actor'] = movie_one.find('p', class_='pl').get_text().replace("\n", "").replace(" ", "")    info['rate'] = movie_one.find('div', class_='star clearfix').find('span', class_='rating_nums').get_text()    return info

spider_main.py - 主函数

#!/usr/bin/python# -*- coding: UTF-8 -*-import html_parser, html_outputer, html_downloaderclass SpiderMain(object):  def __init__(self):    self.parser = html_parser.HtmlParser()    self.outputer = html_outputer.HtmlOutputer()    self.downloader = html_downloader.HtmlDownloader()  def craw(self, url):    html_cnt = self.downloader.downlod(url)    movie_data = self.parser.parser_html(html_cnt)    self.outputer.collect_data(movie_data)if __name__ == '__main__':  url = 'https://movie.douban.com/tag/2017?start=100&type=T'  spider = SpiderMain()  spider.craw(url)

综述

其实就是使用了urllib2和BeautifulSoup库,没啥好说的,你也可以直接改url,然后更改html_parser.py文件来满足你自己的爬虫需求。当前也可以更改html_outputer.py来定义保存格式,目前是csv。


  • 上一条:
    Python即时网络爬虫项目启动说明详解
    下一条:
    Python抓取聚划算商品分析页面获取商品信息并以XML格式保存到本地
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • Laravel从Accel获得5700万美元A轮融资(0个评论)
    • 在go + gin中gorm实现指定搜索/区间搜索分页列表功能接口实例(0个评论)
    • 在go语言中实现IP/CIDR的ip和netmask互转及IP段形式互转及ip是否存在IP/CIDR(0个评论)
    • PHP 8.4 Alpha 1现已发布!(0个评论)
    • Laravel 11.15版本发布 - Eloquent Builder中添加的泛型(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客